Bias correction of wind power forecasts with SCADA data and continuous learning
WinJi AG（WinJi公司）
本文提出利用SCADA数据和持续学习策略，通过卷积神经网络对风功率预报进行偏差校正，显著降低NRMSE至22%。
2024-02-21 cs.LG
Forecasting directional movements of stock prices for intraday trading using LSTM and random forests
BITS Pilani（比尔拉科学技术学院）；Nanyang Technological University（南洋理工大学）
我们采用随机森林和LSTM网络（更准确地说是CuDNNLSTM）作为训练方法，分析它们在预测1993年1月至2018年12月期间标准普尔500指数成分股的样本外方向性走势方面的有效性。我们引入了一个多功能的设置，不仅包括收盘价的回报，但也相对于开盘价和日内回报。作为交易策略，我们使用Krauss et al.（2017）和Fischer & Krauss（2018）作为基准。在每个交易日，我们买入概率最高的10只股票，卖空概率最低的10只股票，以获得超过市场的日内回报--所有股票的货币权重都是相同的。我们的实证结果表明，在交易成本之前，多特征设置使用LSTM网络提供了0.64%的每日回报，使用随机森林提供了0.54%的每日回报。因此，我们的表现优于Fischer & Krauss（2018）和Krauss et al.（2017）中的单一特征设置，仅包括收盘价的每日回报，LSTM和随机森林的相应每日回报分别为0.41%和0.39%。
2021-06-30 cs.LG q-fin.ST stat.ML
Wind Speed Forecasting Based on Data Decomposition and Deep Learning Models: A Case Study of a Wind Farm in Saudi Arabia
College of Science, University of Bahrain（巴林大学理学院）；College of Information Technology, University of Bahrain（巴林大学信息技术学院）
针对风速波动性导致的风电不确定性问题，本研究提出结合小波包分解（WPD）、季节调整法（SAM）与双向长短期记忆网络（BiLSTM）的新型风速预测框架，在沙特风电场数据上实现了高精度预测并优于27个对比模型。
2024-12-17 cs.LG
Enhancing Wind Speed and Wind Power Forecasting Using Shape-Wise Feature Engineering: A Novel Approach for Improved Accuracy and Robustness
本文提出一种形状特征工程方法，通过改变CNN-LSTM和自回归模型的数据输入形状，在不同预测时域下显著提升风速与功率预测的精度和抗噪鲁棒性，并在第24步预测中达到83%准确率。
2024-01-16 cs.LG
Data-driven Day Ahead Market Prices Forecasting: A Focus on Short Training Set Windows
School of Electrical and Computer Engineering, National Technical University of Athens (NTUA), Athens 15780 Greece（电气与计算机工程学院，国家技术大学（NTUA），雅典15780希腊）
本研究针对短训练窗口下的电力日前市场电价预测问题，对比四种机器学习模型在三个欧洲市场的表现，发现LightGBM在45/60天窗口下精度与鲁棒性最优，可有效支持数据稀缺波动环境的电价预测。
2025-06-12 cs.LG
Deep Forecast: Deep Learning-based Spatio-Temporal Forecasting
University of Texas at Arlington（德克萨斯大学阿灵顿分校）；Mojio Inc.（Mojio公司）
本文提出了一种时空风速预测算法，使用深度学习（DL），特别是，递归神经网络（RNN）。受可再生能源整合和智能电网的最新进展的启发，我们将我们提出的算法用于风速预测。可再生能源（风能和太阳能）在本质上是随机的，因此，准确的短期预测有助于它们的整合。在我们提出的框架中，我们通过一个图来建模时空信息，该图的节点是数据生成实体，其边缘基本上是这些节点如何相互作用的模型。我们的工作的主要贡献之一是，我们在同一时间基于一个框架获得预测的所有节点的图。记录的时间序列数据在美国东北部的风力发电厂的集合的案例研究的结果表明，所提出的基于DL的预测算法显着提高了短期预测相比，一组广泛使用的基准模型。
2017-07-24 cs.LG
A Systematic Evaluation of Current Architectures in Wind Power Forecasting
本文通过系统文献综述，评估混合深度学习、模态分解和统计方法在风电区间预测中的应用，发现结合VMD或EEMD等分解技术能提高预测精度和可靠性。
2026-06-01 cs.LG
UniWind: Day-Ahead Wind Power Forecasting via Physics-Informed State Routing
East China Normal University（华东师范大学）；Southern University of Science and Technology（南方科技大学）；Tsinghua University（清华大学）
提出UniWind模型，通过物理先验估计器和潜在状态编码器，结合状态路由与专家校正，实现准确鲁棒的日前风电功率预测，在20多个真实数据集上验证了效果。
2026-10-16 cs.LG
A Multi-model Combination Approach for Probabilistic Wind Power Forecasting
Shandong University（山东大学）；Zhejiang University（浙江大学）；Argonne National Laboratory（阿贡国家实验室）；Tsinghua University（清华大学）
短期概率风电功率预测可以为电力系统运行和控制提供关键的量化的风电功率不确定性信息。由于风电功率预测误差的复杂性，很难开发出一种通用的预测模型来优于其他替代模型。因此，本文提出了一种新的多模型组合（MMC）方法的短期概率风力发电预测，利用不同的预测模型的优点。该方法可以结合不同的预测模型，提供不同的概率密度函数，以提高概率预测精度。采用基于稀疏贝叶斯学习、核密度估计和贝塔分布拟合的概率预测模型构成组合模型。MMC模型的参数求解基于贝叶斯框架。数值试验表明了所提出的MMC方法的有效性。
2017-02-13 cs.LG stat.AP
Multi Scale Graph Wavenet for Wind Speed Forecasting
TCS Research（塔塔咨询服务研究部）
几何深度学习由于其表示任意结构的固有能力而在学术界和工业界都获得了极大的关注。由于对可再生能源，特别是风能的兴趣呈指数增长，准确的风速预测变得非常重要。.在本文中，我们提出了一种新的深度学习架构，多尺度图Wavenet风速预测。它是基于图卷积神经网络，捕捉空间和时间的关系，在多变量时间序列的天气数据的风速预测。我们特别从扩张卷积、跳过连接和初始网络中汲取灵感，以捕获时间关系，并从用于捕获数据中空间关系的图卷积网络中汲取灵感。我们在丹麦不同城市测量的真实风速数据上进行了实验，并将我们的结果与最先进的基线模型进行了比较。我们的新架构在多个预测范围的风速预测方面优于最先进的方法4- 5%。
2021-10-01 cs.AI cs.LG
Active Region-based Flare Forecasting with Sliding Window Multivariate Time Series Forest Classifiers
Georgia State University（佐治亚州立大学）
本研究提出基于滑动窗口的多元时间序列森林分类器，用于太阳耀斑预报，兼顾高精度（TSS>85%）与可解释性，并识别关键特征子区间。
2024-02-05 astro-ph.SR cs.LG stat.AP
Short-Term Wind-Speed Forecasting Using Kernel Spectral Hidden Markov Models
The University of Electro-Communications（电气通信大学）
在机器学习中，提出了一种用于时间序列数据的非参数预测算法，称为核谱隐马尔可夫模型（KSHMM）。在本文中，我们提出了一种基于KSHMM的短期风速预测技术。我们使用国家可再生能源实验室提供的风速数据，将我们基于KSHMM的预测技术与其他机器学习技术的性能进行了数值比较。我们的研究结果表明，与这些方法相比，所提出的技术提供了相当或更好的性能。
2018-11-15 cs.LG stat.ML
WindDragon: Enhancing wind power forecasting with Automated Deep Learning
INRIA Lille Nord Europe（法国里尔北欧信息、自动化与计算机科学研究所（INRIA里尔北欧欧洲中心））；Sorbonne Université（索邦大学）；EDF R&D（法国电力公司研发中心）
本文提出WindDragon方法，将自动化深度学习与数值天气预报风速图相结合，在国家层面实现1至6小时短期风电功率的准确预测，以应对风电波动性和不确定性对电网运行的挑战。
2024-02-22 cs.LG physics.ao-ph stat.ML
A Multi-variable Stacked Long-Short Term Memory Network for Wind Speed Forecasting
Texas Tech University（德克萨斯理工大学）
准确预测风速对于风力发电厂和电网运营商至关重要。然而，由于风速的随机性，这项任务是具有挑战性的。为了在不确定性条件下准确预测短期风速，提出了一种多变量叠加LSTM模型（MSLSTM）。所提出的方法利用多个历史气象变量，如风速，温度，湿度，压力，露点和太阳辐射，以准确地预测风速。使用在美国西德克萨斯州收集的实际数据，预测性能进行了广泛的评估。实验结果表明，该方法能较好地捕捉和学习不确定性，并能输出具有竞争力的性能.
2018-11-24 cs.LG stat.ML
Deep Spatio-Temporal Wind Power Forecasting
Department of Statistics, Texas A\&M University, College Station, TX
随着可再生能源消费量的增长，风力发电预测越来越受到研究人员的关注。在本文中，我们开发了一种基于编码器-解码器结构的深度学习方法。我们的模型预测风力涡轮机产生的风力发电，使用其相对于其他涡轮机的空间位置和历史风速数据。通过这种方式，我们有效地整合了空间依赖性和时间趋势，以进行涡轮特定的预测。与现有工作相比，我们的方法的优点可以总结为：1）它直接基于历史风速预测风力发电，而不需要首先预测风速，然后使用转换; 2）它可以有效地捕获长期依赖性3）与其他基于深度学习的方法相比，我们的模型更具可扩展性和效率。我们证明了我们的模型在基准真实世界数据集上的有效性。
2021-10-07 cs.LG stat.AP
Influences in Forecast Errors for Wind and Photovoltaic Power: A Study on Machine Learning Models
University of Kassel（卡塞尔大学）
尽管可再生能源预测的重要性日益增加，但目前的规划研究只涉及对预期预测质量的一般估计和选定的预测范围。然而，这些估计仅允许在电力分配规划中有限且高度不确定的使用。更可靠的规划过程需要更多关于未来预测质量的信息。本文基于四种不同的机器学习（ML）模型，对风电和光伏发电预测不确定性的影响因素进行了深入分析和比较。在我们的分析中，我们发现了不确定性的巨大差异，这取决于ML模型，数据覆盖范围和季节模式，这些都是未来规划研究中必须考虑的因素。
2019-05-31 cs.LG stat.AP
Spatial Temporal Approach for High-Resolution Gridded Wind Forecasting across Southwest Western Australia
International Centre for Radio Astronomy Research, University of Western Australia（国际射电天文研究中心，西澳大利亚大学）；UWA Oceans Institute, University of Western Australia（西澳大利亚大学海洋研究所）
针对传统模型在小区域高分辨率风况预测和中长期时空趋势捕捉上的不足，本研究提出一种时空方法，利用地形、气压及稀疏气象站观测数据等多源气象因子，在西澳西南部实现3米和10米高度的高精度网格风预报，显著提升了预测准确性与可靠性。
2024-07-26 cs.LG physics.ao-ph
Two-stage short-term wind power forecasting algorithm using different feature-learning models
Harbin Institute of Technology（哈尔滨工业大学）；Texas A&M University-Kingsville（德州农工大学金斯维尔分校）
基于两阶段集成的预测方法在风电功率预测领域得到了广泛的研究。然而，基于深度学习的风电功率预测研究还没有研究两个方面。在第一阶段中，考虑多输入和多输出的不同学习结构尚未讨论。在第二阶段，模型外推问题尚未得到研究。因此，我们在第一阶段开发了四个深度神经网络，以学习考虑输入和输出结构的数据特征。然后，我们探讨了模型外推问题，在第二阶段使用不同的建模方法。针对过拟合问题，提出了一种新的基于移动窗口的算法，在第一阶段使用验证集，通过两种不同的移动窗口过程更新两个阶段的训练数据，并在3个风电场进行了实验，结果表明，单输入多输出结构的模型比现有模型具有更好的预测精度。此外，岭回归方法产生了更好的集成模型，与现有的机器学习方法相比，可以进一步提高预测精度。最后，提出的两阶段预测算法可以产生更准确和稳定的结果比现有的算法。
2021-06-29 cs.LG eess.SP
Wind Power Projection using Weather Forecasts by Novel Deep Neural Networks
SSN College of Engineering（SSN工程学院）
从传统的能源生产方式向可再生能源生产方式的转变需要更好的可再生能源供应预测模型。在风电生产中，由于风的不稳定性，预测产量的误差是不可能被否定的。对于成功的电网整合，关键是要了解预测风力发电产生的不确定性，并使用这些信息来建立准确可靠的预测。这可以通过观察风力发电的波动与不同参数的变化来实现，例如风速，温度和风向，并导出相同的函数依赖性。使用优化的机器学习算法，可以在观测中找到模糊模式并获得有意义的数据，然后可以用于准确预测风电需求。利用Gamesa在Bableshwar的风电场提供的所需数据，本文探讨了使用参数和非参数模型计算风电预测使用功率曲线。所获得的结果进行比较，以更好地了解所利用的模型的准确性，并确定最合适的模型预测风力发电的基础上给定的数据集。
2021-08-22 cs.AI cs.LG
ForecastTB An R Package as a Test-Bench for Time Series Forecasting Application of Wind Speed and Solar Radiation Modeling
Aarhus University（奥胡斯大学）；Ton Duc Thang University（东德大学）
本文介绍了一个R软件包ForecastTB，它可以用来比较与时间序列数据集的特性相关的不同预测方法的准确性。ForecastTB是一个即插即用的结构化模块，几种预测方法可以包括简单的指令。所提出的测试平台不限于默认的预测和误差度量功能，用户能够根据需求添加，删除或选择所需的方法。此外，还提供了几个绘图功能和统计性能指标，以可视化不同预测方法的比较性能和准确性。此外，本文还介绍了自然时间序列数据集（即，风速和太阳辐射），以展示ForecastTB包的功能，以评估受数据集特征影响的预测比较分析。建模结果表明，建议的R包ForecastTB的时间序列预测的适用性和鲁棒性。
2020-07-21 cs.CL cs.LG stat.ME
Improving the Accuracy and Interpretability of Neural Networks for Wind Power Forecasting
Ecole Polytechnique Federale de Lausanne (EPFL)（洛桑联邦理工学院）；Aalborg University（奥尔堡大学）；The Hong Kong Polytechnic University（香港理工大学）；The University of Hong Kong（香港大学）
本文提出三重优化策略加速训练并提升深度神经网络在风电功率预测中的准确性与泛化，同时利用PFI和LIME技术增强模型可解释性，以解决局部最优和不可解释问题。
2023-12-25 cs.LG cs.SY eess.SY
KDD CUP 2022 Wind Power Forecasting Team 88VIP Solution
Alibaba Group（阿里巴巴集团）
KDD CUP 2022提出了一个空间动态风电数据集的时间序列预测任务，要求参与者在给定历史背景因素的情况下预测未来的发电量。评估指标包括RMSE和MAE。本文描述了Team 88 VIP的解决方案，该方案主要包括两种模型：用于记忆基本数据模式的梯度提升决策树和用于捕获深层和潜在概率转移的递归神经网络。集成这些模型有助于解决风电功率的波动问题，训练子模型的目标是在从几分钟到几天的不同时间尺度的预测中的突出特性。此外，还详细介绍了特征工程、插补技术和离线评价的设计。所提出的解决方案在阶段3中实现了-45.213的总体在线分数。
2022-08-18 cs.AI cs.LG
Achieving Skilled and Reliable Daily Probabilistic Forecasts of Wind Power at Subseasonal-to-Seasonal Timescales over France
Atos Inno’Lab TS Bezons（阿托斯创新实验室TS贝宗）；EDF R&D Lab（EDF研发实验室）；Laboratoire des Sciences du Climat & de l’Environnement（气候与环境科学实验室）；CEA（法国国家科学研究中心）；CNRS（法国国家科学研究中心）；UVSQ（法国大学巴黎-萨克雷）；Université Paris-Saclay（巴黎-萨克雷大学）；Laboratoire de Mathématiques d’Orsay（奥赛数学实验室）
本文提出一种无需考虑提前时间的数值天气模型的预报流程，将ECMWF的亚季节到季节天气预报转化为法国每日分辨率的风力发电预报，提升预测精度并实现良好校准。
2026-04-13 cs.LG stat.AP
Short-term wind speed forecasting model based on an attention-gated recurrent neural network and error correction strategy
本文提出一种基于SSA-AtGRU-VMD-GRU的短期风速预测模型，通过AtGRU初步预测、SSA降噪及VMD处理误差并用GRU校正，显著提升了预测精度。
2024-04-22 cs.AI cs.LG physics.ao-ph
Explainable Modeling for Wind Power Forecasting: A Glass-Box Approach with High Accuracy
Aalborg University（奥尔堡大学）；Massachusetts Institute of Technology（麻省理工学院）；The Hong Kong Polytechnic University（香港理工大学）
本文提出一种基于形状函数与交互项的可加性玻璃盒风电功率预测方法，在保持高精度的同时实现全局与实例级可解释性，性能优于多数基准模型并与最佳神经网络相当。
2024-02-26 cs.LG cs.SY eess.SY
Symbolic regression for scientific discovery: an application to wind speed forecasting
Maastricht University（马斯特里赫特大学）
符号回归对应于允许从数据中揭示分析方程的技术集合。通过一个封闭的形式公式，这些技术提供了巨大的优势，如潜在的科学发现新的法律，以及可解释性，特征工程以及快速推理。类似地，基于深度学习的技术已经显示出对复杂模式建模的非凡能力。本文的目的是应用最近的端到端的符号回归技术，即方程学习器（EQL），得到一个解析方程的风速预测。我们表明，这是可能的，可以获得一个分析方程，可以实现合理的精度，短期的视野预测，只使用几个功能。
2021-10-26 cs.LG physics.ao-ph
Improving sub-seasonal wind-speed forecasts in Europe with a non-linear model
a LMD/IPSL, École Polytechnique, Institut Polytechnique de Paris, ENS,Université PSL, Sorbonne Université, CNRS, Palaiseau, 91120, France b INRIA, Paris, France c EDF R\&D, Palaiseau, France
本研究针对欧洲次季节地表风速预报两周后技巧骤降的问题，提出基于Z500的MLR和CNN预报框架，结合随机扰动解决离散度不足问题，发现非线性提升效果随预报提前期变化。
2025-07-15 cs.LG physics.ao-ph
Application of BERT in Wind Power Forecasting-Teletraan's Solution in Baidu KDD Cup 2022
Teletraan Inc.（Teletraan公司）；Renmin University of China（中国人民大学）
针对风电功率长序列预测难度大的问题，提出将BERT模型结合日波动后处理的风电预测方案，在百度KDD Cup 2022的2490支队伍中获季军并开源代码。
2023-07-18 cs.LG eess.SP
Wind power predictions from nowcasts to 4-hour forecasts: a learning approach with variable selection
CMAP, Ecole Polytechnique, Institut Polytechnique de Paris（巴黎综合理工学院CMAP实验室）
我们研究风速和风力的短期预测（每10分钟到4小时）。准确预测这些数量对于减轻风电场间歇性生产对能源系统和市场的负面影响至关重要。我们使用机器学习将数值天气预报模型的输出与当地观测相结合。前者提供更高尺度动力学的有价值的信息，而后者为模型提供更新鲜和特定位置的数据。为了使结果可用于从业者，我们专注于众所周知的方法，可以处理大量的数据。我们研究了第一个变量的选择，同时使用线性技术和非线性。然后，我们利用这些结果预测风速和风力发电仍然强调线性模型与非线性模型。对于风电功率的预测，我们也比较了间接的方法（风速预测通过功率曲线）和间接的（直接预测风电功率）。
2022-12-13 cs.LG stat.AP stat.ML
Statistical post-processing of wind speed forecasts using convolutional neural networks
Royal Netherlands Meteorological Institute (KNMI)（荷兰皇家气象研究所（KNMI））；Utrecht University（乌得勒支大学）
目前的概率天气预报统计后处理方法不能利用数值天气预报模式的全空间模式。在本文中，我们采用卷积神经网络（CNN）的空间风速信息，并获得概率风速预测在荷兰提前48小时，基于KNMI的确定性谐波Arome数值预报模型。从CNN的概率预测显示，具有较高的Brier技能得分为中等到较高的风速，以及更好的连续排名概率得分（CRPS）和对数得分，比完全连接的神经网络和分位数回归森林的预测。作为次要结果，我们比较了使用3种不同密度估计方法（量化softmax（QS），内核混合网络和拟合截断正态分布）的CNN，并发现基于QS方法的概率预测是最好的。
2021-01-08 cs.LG physics.ao-ph stat.AP
SETAR-Tree: A Novel and Accurate Tree Algorithm for Global Time Series Forecasting
Monash University（莫纳什大学）
门限自回归（TAR）模型由于其简单性和数学性质，在过去的几十年中被统计学家广泛用于非线性时间序列预测。另一方面，在预测社区，通用的基于树的回归算法（森林，梯度提升）最近由于其易用性和准确性而变得流行。在本文中，我们探讨了TAR模型和回归树之间的密切联系。这些使我们能够使用TAR模型文献中丰富的方法来定义分层TAR模型，作为一个在整个系列中进行全局训练的回归树，我们称之为SETAR-Tree。与不主要关注预测并在叶节点计算平均值的通用基于树的模型相比，我们引入了一种新的预测特定树算法，该算法在叶中训练全局Pooled Regression（PR）模型，允许模型学习交叉序列信息，并使用一些特定于时间序列的分裂和停止程序。树的深度是通过进行TAR模型中常用的统计线性测试来控制的，以及测量每个节点分割处的误差减少百分比。因此，所提出的树模型需要最小的外部超参数调整，并在其默认配置下提供有竞争力的结果。我们还使用这种树算法来开发一个森林，在预测过程中，由不同的SETAR树的集合提供的预测相结合。在我们对八个公开数据集的评估中，所提出的树和森林模型能够在四个评估指标上实现比一组最先进的基于树的算法和预测基准更高的准确性。
2022-11-16 cs.LG math.ST stat.ML
DeepMIDE: A Multi-Output Spatio-Temporal Method for Ultra-Scale Offshore Wind Energy Forecasting
Department of Industrial Engineering, Clemson University（克莱姆森大学工业工程系）；Department of Computer Science, Rutgers University（罗杰斯大学计算机科学系）；Department of Statistics, Rutgers University（罗杰斯大学统计学系）；Department of Industrial & Systems Engineering, Rutgers University（罗杰斯大学工业与系统工程系）；University College, Korea University（韩国大学大学学院）
针对海上风电超大规模化对多高度风速预测的需求，提出多输出时空方法DeepMIDE，通过联合建模空间、时间和高度维度的风速，结合物理平流向量，在真实数据上预测性能优于主流方法。
2025-11-15 cs.LG stat.AP stat.ML
Privacy-Preserving Distributed Parameter Estimation for Probability Distribution of Wind Power Forecast Error
Tsinghua University（清华大学）；Bytedance（字节跳动）
建立风电预测误差的条件概率分布对风电场（WF）和独立系统运营商（ISO）都有利。建立风电功率的联合概率分布和相应的空间相关WFs预测数据是推导条件概率分布的基础。传统的概率分布参数估计方法需要收集所有工作流的历史数据。然而，在多区域互联电网的背景下，出于隐私或竞争考虑，区域ISO和WF都不能收集其他区域WF的原始数据。因此，本文首先提出了一种基于高斯混合模型的隐私保护分布式期望最大化算法来估计联合概率分布的参数。该算法由两种新颖的方法组成：（1）隐私保护的分布式求和算法和（2）隐私保护的分布式内积算法。然后，我们推导出每个WF的预测误差的条件概率分布的联合之一。通过该算法，工作流只需要进行局部计算和保护隐私的邻居通信就可以实现整体参数估计。这些算法进行了验证，使用风积分数据集公布的NREL。
2020-02-29 cs.CR cs.DC cs.LG
Digital Twin Framework for Time to Failure Forecasting of Wind Turbine Gearbox: A Concept
Adani Institute of Infrastructure Engineering（阿达尼基础设施工程学院）
风力发电机组是一种复杂的机械，其旋转和非旋转设备对故障都很敏感。由于磨损增加，风力涡轮机的维护至关重要。风力涡轮机部件的意外故障可能导致增加的O\&M成本，这最终降低了风电场的有效功率捕获。风力涡轮机中的故障检测通常由风电场运营商以10分钟采样间隔的时间序列格式提供的SCADA数据进行补充。此外，时间序列分析和数据表示已成为深入了解风力发电机等复杂机械动态过程的有力工具。风力涡轮机SCADA数据通常以多变量时间序列的形式提供，变量包括齿轮箱油温、齿轮箱轴承温度、机舱温度、转子速度和产生的有功功率。在本预印本中，我们讨论了用于风力涡轮机齿轮箱故障时间预测的数字孪生模型的概念，其中预测模块通过实时SCADA数据不断更新，并为风电场运营商生成有意义的见解。
2022-04-28 cs.AI cs.LG eess.SP
Fusion of rain radar images and wind forecasts in a deep learning model applied to rain nowcasting
CNRS（法国国家科学研究中心）；Nansen Environmental and Remote Sensing Center（南森环境与遥感中心）；Laboratoire d’océanographie et du climat（海洋学与气候实验室）；École nationale supérieure d'informatique pour l'industrie et l'entreprise（国立工业与企业计算机科学高等学院）
短期或中期降雨预报是一项主要任务，具有农业管理或洪水风险监测等若干环境应用。现有的数据驱动方法，特别是深度学习模型，在这项任务中表现出了显著的技能，仅使用降雨雷达图像作为输入。为了确定使用其他气象参数（如风）是否会改善预测，我们在降雨雷达图像和天气预报模型产生的风速的融合上训练了一个深度学习模型。将该网络与仅在雷达数据上训练的类似架构、基本持久性模型和基于光流的方法进行了比较。我们的网络优于8%的F1分数计算的光流在中等和更高的降雨事件的预测在地平线的时间为30分钟。此外，它优于7%的相同的架构只使用降雨雷达图像训练。雨和风数据的合并也证明了训练过程的稳定性，特别是在难以预测的高降水量的情况下，训练过程得到了显着改善。
2021-01-12 cs.LG eess.SP physics.ao-ph
RUL forecasting for wind turbine predictive maintenance based on deep learning
Beihang University（北京航空航天大学）
提出基于多参数注意力深度学习的ForeNet-2d和ForeNet-3d模型，实现2周窗口内风力发电机RUL预测，解决偏远风电场维护计划超前时间不足问题。
2024-12-09 cs.AI cs.LG cs.SY
Machine learning methods for postprocessing ensemble forecasts of wind gusts: A systematic comparison
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Heidelberg Institute for Theoretical Studies（海德堡理论研究所）
对集合天气预报进行后处理以纠正系统误差已成为研究和业务中的标准做法。然而，只有少数最近的研究集中在合奏后处理的阵风预报，尽管它的严重天气警报的重要性。在这里，我们通过集合后处理对八种统计和机器学习方法进行了全面的回顾和系统的比较，这些方法可以分为三组：统计学中最先进的后处理技术（集合模型输出统计（EMOS）、逐成员后处理、保序分布回归），建立了机器学习方法（梯度增强扩展EMOS、分位数回归森林）和基于神经网络的方法（分布回归网络、Bernstein分位数网络、直方图估计网络）。这些方法进行了系统的比较，使用6年的数据，从高分辨率，对流允许集合预报系统，运行在德国气象服务，每小时观测175个地面气象站在德国。虽然所有的后处理方法产生校准的预测，并能够纠正原始集合预测的系统性误差，将信息从额外的气象预测变量以外的阵风导致显着改善预测技能。特别是，我们提出了一个灵活的框架，本地自适应神经网络与不同的概率预测类型作为输出，这不仅显着优于所有的基准后处理方法，但也学习物理上一致的关系与昼夜周期，特别是傍晚过渡的行星边界层。
2021-06-17 cs.LG physics.ao-ph stat.AP
Enhancing Short-Term Wind Speed Forecasting using Graph Attention and Frequency-Enhanced Mechanisms
University of Science and Technology Beijing（北京科技大学）
本文提出GFST-WSF模型，结合Transformer和图注意力网络提取时空特征，并利用动态复邻接矩阵建模地理引起的时间滞后，显著提升了6-24小时短期风速预测精度。
2023-05-22 cs.LG
Crop yield probability density forecasting via quantile random forest and Epanechnikov Kernel function
Pan African University（泛非大学）；University of Nairobi（内罗毕大学）；Michigan State University（密歇根州立大学）
一个可靠、准确的作物产量预测模型对于农业部门的有效决策过程至关重要。然而，由于极端天气和不确定性，大多数作物产量预测模型并不可靠和准确。为了度量作物产量的不确定性，获取未来作物产量的更多信息，提出了基于分位数随机森林和Epanechnikov核函数的概率密度预测模型（QRF-SJ）。利用随机森林的非线性结构，改变分位数回归模型，建立概率预测模型。在核密度估计中采用了Epanechnikov核函数和Sheather和Jones的求解方程插件方法。以加纳花生和小米的年产量为例，说明了该方法的有效性和鲁棒性。两种作物的预测区间覆盖概率和预测区间归一化平均宽度的值表明，所构建的预测区间以高覆盖概率捕获观测产量。概率密度曲线表明，QRF-SJ方法具有很高的预测能力，以较高的覆盖概率预测质量预测区间。特征重要性给出了在建立分位数回归森林模型中每个天气变量的重要性的分数。农民和其他利益相关者能够通过特征重要性认识到影响所选作物产量的特定天气变量。该方法及其在作物产量数据集上的应用在文献中尚属首次。
2019-10-19 cs.LG stat.AP stat.ML
SARF: Enhancing Stock Market Prediction with Sentiment-Augmented Random Forest
British Columbia Institute of Technology（不列颠哥伦比亚理工学院）；University of Zagreb（萨格勒布大学）
本研究提出情感增强随机森林模型SARF，将FinGPT大模型的情感分析特征融入传统随机森林，用于股市趋势预测，相比传统模型准确率平均提升9.23%。
2024-09-22 cs.LG q-fin.ST
Predicting the direction of stock market prices using random forest
由于其复杂性和动态性，股票市场价格趋势预测多年来一直是研究人员感兴趣的领域。全球股票市场的内在波动性使得预测具有挑战性。预测和扩散模型虽然有效，但不能成为解决短期或其他预测中遇到的各种问题的灵丹妙药。市场风险与预测误差密切相关，需要尽量减少，以确保投资风险最小化。作者提出通过将预测问题视为分类问题来最小化预测误差，分类问题是机器学习中的一种流行算法。在本文中，我们提出了一种新的方法来最大限度地减少投资风险，在股票市场预测的股票收益率使用一类强大的机器学习算法集成学习。利用相对强弱指数、随机振荡器等技术指标作为输入对模型进行训练。所使用的学习模型是多个决策树的集成。该算法优于现有的算法，在文献中发现的rithms。已发现袋外（OOB）误差估计是令人鼓舞的。关键词：随机森林分类器，股票价格预测，指数平滑，特征提取，OOB误差和收敛性。
2016-04-29 cs.CE cs.LG
Stacking for Probabilistic Short-term Load Forecasting
Czestochowa University of Technology（琴斯托霍瓦工业大学）
本文提出基于Stacking元学习的概率性短期电力负荷预测方法，融合分位数线性回归、分位数回归森林与残差模拟后处理，并设计全局与局部变体，实验验证分位数回归森林最优。
2024-06-15 cs.AI cs.LG
A Behaviour-Aware Federated Forecasting Framework for Distributed Stand-Alone Wind Turbines
IT University of Copenhagen（哥本哈根技术大学）；Technical University of Denmark (DTU)（丹麦技术大学）
本文提出一种基于行为聚类的联邦学习框架，用于提升分布式独立风力涡轮机的短期功率预测精度，通过DRS和Auto-split实现行为感知的群体划分，有效提升预测性能并保护数据隐私。
2026-03-05 cs.LG
Probabilistic Wind Power Forecasting with Tree-Based Machine Learning and Weather Ensembles
Vrije Universiteit Brussel（布鲁塞尔自由大学）；Norwegian University of Science and Technology（挪威科学技术大学）
本文提出利用树形机器学习和天气集成方法，提高风力发电的概率预测精度，实验结果显示其在误差降低和预测准确性方面优于传统方法。
2026-07-14 cs.LG
Tube Loss based Deep Networks For Improving the Probabilistic Forecasting of Wind Speed
DA-IICT（达·拉印度理工学院）
本文利用Tube损失函数构建深度概率预测模型（整合LSTM、GRU、TCN），并设计δ参数调优启发式，在三个风速数据集上实现了更窄且更可靠的预测区间，提升了风速概率预测性能。
2025-05-23 cs.AI cs.LG
An Adaptive Approach for Probabilistic Wind Power Forecasting Based on Meta-Learning
Tsinghua University（清华大学）；Tsinghua-Berkeley Shenzhen Institute（清华-伯克利深圳学院）
提出一种含离线元学习与在线增量学习的自适应概率风电功率预测方法，可实现不同提前时间和新建风电场场景的时间与空间适应，并在真实数据集上验证了优势。
2023-08-15 cs.LG cs.SY eess.SY
Fast-Powerformer: A Memory-Efficient Transformer for Accurate Mid-Term Wind Power Forecasting
Wuhan University（武汉大学）
针对中期风电功率预测面临的高精度与计算效率双重挑战，本文提出基于Reformer架构的Fast-Powerformer模型，通过结构增强实现更优预测精度、运行效率及部署实用性。
2025-04-15 cs.LG eess.SP
Spatio-Temporal Wind Speed Forecasting using Graph Networks and Novel Transformer Architectures
University of Oslo（奥斯陆大学）；Institute for Energy Systems (IFE)（能源系统研究所）
这项研究的重点是挪威大陆架的多步时空风速预报。该研究旨在通过不同测量站的相对物理位置来利用空间依赖性，以改善当地的风力预报。我们的多步预测模型可以生成10分钟、1小时或4小时的预测，分辨率为10分钟，这意味着模型可以为预测的未来趋势生成更多信息的时间序列。一个图神经网络（GNN）架构被用来提取空间依赖性，不同的更新函数来学习时间相关性。这些更新功能是使用不同的神经网络架构来实现的。Transformer就是这样一种体系结构，近年来，它在序列建模中变得越来越流行。为了更好地进行时间序列预测，已经提出了各种修改，其中本研究的重点是Informer，LogSparse Transformer和Autoformer。这是LogSparse Transformer和Autoformer首次应用于风预测，也是首次在风预测的时空设置中制定这些或Informer。通过与时空长短期记忆（LSTM）和多层感知器（MLP）模型进行比较，研究表明，使用改变后的Transformer架构作为GNN中更新函数的模型能够超越这些模型。此外，我们提出了快速傅立叶Transformer（FF Transformer），这是一种新的Transformer架构的基础上，信号分解，并由两个单独的流，分别分析的趋势和周期成分。FFTransformer和Autoformer在10分钟和1小时的预测中取得了优异的结果，FFT…
2022-12-30 cs.AI cs.LG
Estimating County-Level COVID-19 Exponential Growth Rates Using Generalized Random Forests
Georgia Institute of Technology（佐治亚理工学院）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）
快速准确地检测社区疫情对于应对COVID-19死灰复燃的威胁至关重要。疫情检测的一个实际挑战是平衡准确性与速度。特别地，虽然估计精度随着更长的拟合窗口而提高，但是速度降低。本文提出了一个机器学习框架，使用广义随机森林（GRF）来平衡这种权衡，并将其应用于检测县级COVID-19疫情。该算法根据影响疾病传播的相关特征（如社交距离政策的变化）为每个县选择自适应拟合窗口大小。实验结果表明，我们的方法优于任何非自适应窗口大小选择提前7天COVID-19疫情病例数预测。
2020-11-14 cs.LG econ.EM
Targeted Adversarial Attacks on Wind Power Forecasts
Fraunhofer Institute for Energy Economics and Energy System Technology (IEE)（弗劳恩霍夫能源经济与能源系统技术研究所（IEE））；University of Kassel（卡塞尔大学）
本文研究风电功率预测模型面临的定向、半定向和无定向对抗攻击，提出TARS指标量化回归模型鲁棒性，并通过LSTM与CNN实验揭示常规CNN脆弱而对抗训练可显著增强其防御能力。
2023-08-17 cs.CR cs.LG
Transfer Learning in the Field of Renewable Energies -- A Transfer Learning Framework Providing Power Forecasts Throughout the Lifecycle of Wind Farms After Initial Connection to the Electrical Grid
University of Kassel（卡塞尔大学）
近年来，迁移学习在视觉和自然语言处理领域获得了特别的兴趣。在视觉研究领域，例如，深度神经网络和迁移学习技术在几分钟内就达到了几乎完美的分类分数。然而，这些技术尚未广泛应用于其他领域。因此，本文确定了可再生能源领域的关键挑战，并展示了电力预测的潜在解决方案。它提出了一个框架，利用迁移学习技术在风力发电预测有限或没有历史数据。一方面，这允许评估迁移学习在可再生能源领域的适用性。另一方面，通过开发自动程序，我们确保所提出的方法提供了一个框架，适用于有机计算领域以及。
2019-06-03 cs.LG eess.SP
Wind Power Forecasting Considering Data Privacy Protection: A Federated Deep Reinforcement Learning Approach
Northeast Electric Power University（东北电力大学）；State Grid Jilin Electric Power Co., Ltd. Jilin Power Supply Company（国网吉林省电力有限公司吉林供电公司）；Huazhong University of Science and Technology（华中科技大学）；Naval University of Engineering（海军工程大学）；Cranfield University（克兰菲尔德大学）
在可再生能源比重不断提高的现代电力系统中，由于风电功率的波动性，风电功率预测对电网调度计划的安排至关重要。然而，传统的集中式预测方法引起了人们对数据隐私保护和数据孤岛问题的关注。为了处理数据的隐私性和开放性，我们提出了一种预测方案，结合联邦学习和深度强化学习（DRL）的超短期风力发电预测，称为联邦深度强化学习（FedDRL）。本文首先采用深度确定性策略梯度（DDPG）算法作为基本预测模型，提高预测精度。其次，将DDPG预测模型集成到联邦学习框架中。所设计的FedDRL可以通过共享模型参数而不是共享私有数据以分散的方式获得准确的预测模型，从而避免敏感的隐私问题。仿真结果表明，所提出的FedDRL的预测精度优于传统的预测方法。更重要的是，FedDRL在保证预测性能的同时，与传统的集中式预测方式相比，能够有效保护数据隐私，缓解通信压力。此外，不同的联邦学习参数进行了仿真，以确认该方案的鲁棒性。
2022-11-02 cs.LG cs.SY eess.SY
Hybrid Transformer Network for Different Horizons-based Enriched Wind Speed Forecasting
Indian Institute of Technology Roorkee（印度鲁基理工学院）
本文提出一种基于ICEEMDAN分解、Transformer网络预测与MLP误差修正的混合风速预测模型，在印度真实风电场数据上取得优于现有方法的精度。
2022-04-07 cs.LG cs.SY eess.SP
Operational Wind Speed Forecasts for Chile's Electric Power Sector Using a Hybrid ML Model
Stanford University（斯坦福大学）；X - The Moonshot Factory（X——Moonshot工厂）；Google DeepMind（谷歌DeepMind）
针对智利电力部门可再生能源并网挑战，提出结合TiDE和GraphCast的混合风速预测模型，短期提升4-21%，中期提升5-23%，可降低火电爬坡、弃电和排放影响。
2024-09-18 cs.AI cs.LG cs.SY
